基于AHP-熵权法的西宁地区汛期暴雨灾害风险评估

谢 捷，刘 玮，徐月顺，雷春苗

（青海气象服务中心，青海西宁 810001）

引言

强降水暴雨引发灾害，冲毁农田，淹没作物，破坏生活生产设施，导致地质灾害发生或人员伤亡。由于50 mm以上暴雨在青海出现少，而造成灾害的降水量往往达不到国家规定的暴雨标准。青海地形复杂、生态脆弱，对水源涵养能力低，短时局地的集中降水很容易引发灾害。在2016－2020年间西宁地区暴雨灾害损失高达2亿元以上。对西宁各地区进行暴雨灾害风险评估，总结规律，在防灾减灾工作中提供有效服务和决策依据。由于降水引发灾害的不确定性，即便同一量级降水，影响程度也是不确定的。如脆弱环境叠加密集人口或经济聚集区，则降水对人员安全生产生活、经济的影响程度更为明显。因此需结合本地环境背景与影响体对降水可能引发的灾害风险进行定量评估。

灾害风险的定量评估主要有基于主观评价的赋权方法和基于客观评价的赋权方法。灾害评价研究中，刘媛媛等［1］用层次分析法和AHP-熵权法对孟印缅地区的洪水灾害风险进行评估。杨帅等［2］用因子加权评价结合ArcGIS空间分析评估湖南暴雨洪涝灾害损失。方建等［3］对暴雨洪水危险性、环境影响和人口经济的暴露性进行评估得到网格单元风险等级。黄曦涛等［4］用“压力状态响应”模型与层次分析法对城市内涝脆弱性进行评价。黄懿等［5］用加权综合评分法进行暴雨洪涝灾害评估。文朝菊等［6］用层次分析法为云南山区小流域洪水灾害风险区划。蔡顺尧等［7］采用基于三角模糊数的层次分析法（TFN-AHP）确定重庆山地城市的洪水风险。孟雅埠等［8］利用WMS和SMS软件，建立贵州铜仁市流域水文模型，模拟重现20、50、100年暴雨降雨径流强度与洪水灾害过程，并进行风险评估。陈俊飞等［9］利用多层加权主成分分析（MLWPCA）法建立城市暴雨灾害风险评估体系，评估南京城市暴雨灾害风险等级。张嘉阳等［10］采用层次分析法、地理信息系统分析和综合加权评价法对广东台风洪灾风险进行评价。刘文成等［11］利用HEC-HMS水文模型和FLO-2D洪水模型，模拟中国台湾南部城市上游流域的降雨径流和洪水区域，用模糊德尔菲法和层次分析法得出因子权重，生成台湾南部城区洪水灾害风险图。国外研究中Van Ginkel Kees C.H.等［12］用开放式街道地图数据通过基于对象的方法和Huizinga损伤曲线对欧洲道路基础设施的河流洪水风险进行建模与路网损伤精确估计。Othmer等［13］探讨建立德国普适中小城市城市洪涝风险评估方法。Jihoon等［14］用主成分分析、广义极值（GEV）分布和卷积概率方法推演评估气候变化二氧化碳浓度RCP4.5与RCP8.5情景下未来时间段的洪水风险。文中以西宁地区为研究区，利用主观评价的层次分析AHP法与客观评价的熵权法来建立西宁地区暴雨灾害的综合风险指数。

1 研究区概况与数据来源

1.1 研究区概况

西宁地区位于青海东部河湟谷地，包括西宁市、大通、湟源、湟中5区2县，是人口、经济、农业种植的聚集区，暴雨灾害频发，对人们生产生活的影响非常明显。如图1（a）所示，西宁地区地形西高东低，西部为山区环绕，东部为河谷地区，贯穿大通河与湟水河。在全球变暖，青藏高原暖湿化气候背景下，高原地区水循环加快［6］，使地区间降水出现明显增多趋势，大气水循环的增加也造成极端降水灾害增多，加剧灾害风险。西宁雨季主要集中在5～10月汛期，以7、8两月最大，暴雨灾害多集中在汛期［7-8］。

图1 西宁地区地形图（a）与模型流程图（b）Fig.1 Topographic map of Xining Area（a）and model flow chart（b）

1.2 研究数据来源

气象暴雨灾害资料是来自青海民政局1984－2016年气象灾情统计资料，通过灾情信息分析得出青海各乡镇暴雨灾害发生次数；西宁地区地理信息数据来自（http://www.tpdc.ac.cn）国家青藏高原科学数据中心的高程DEM数据（2014年），精度为25 m×25 m，运用ArcGIS软件分别计算得出相应分辨率的坡度、河网密度和洼地；经济人口数据来自（http://www.dsac.cn）地理国情监测云平台2015年土地利用数据，精度为1 km×1 km和青海省统计年鉴；气象数据来自CIMISS数据平台，选择西宁地区2016－2020年汛期期间5～10月的日降水数据与小时降水数据。

栅格数据中高程DEM数据分辨率为25 m×25 m，人口、经济、土地利用数据精度为1 km×1 km，因此利用ArcGIS统一数据分辨率，通过环境设置统一坐标为GCS_WGS_1984，利用空间重采样、掩膜或最邻近（NEAREST）等插值方法对栅格数据分辨率进行统一处理，将高分辨率区转换为相对低分辨率，对站点数据也按照统一分辨率1 km×1 km和坐标进行环境设置插值计算。

2 研究方法

2.1 评估模型

建立西宁地区暴雨灾害风险评估体系，对环境敏感性、承灾体易损性与气象危险性用主观层次分析法（AHP）和客观熵权法以及AHP-熵权组合法确定评估指标相应权重［1，18－19］，具体步骤如图1（b）所示，计算出暴雨灾害风险指数。首先统一量纲对数据进行标准化处理，再计算各指标相应权重，根据权重系数分别计算出敏感性指数、易损性指数和危险性指数，最后计算出暴雨综合风险指数。式中，S ij（x）、Vi j（x）、Hij（x）是统一量纲标准化计算后的各指标值，乘以评估因子对应权重系数W，分别得出暴雨灾害风险评估模型中的敏感性指数S（x）、易损性指数V（x）、危险性指数H（x）与综合风险指数R（X），计算公式如（1）～（4）所示。

2.2 指标数据的处理

从孕灾环境敏感性S、承灾体易损性V和致灾因子气象因素H三方面选取西宁地区暴雨灾害评价指标（如图2所示）。敏感性因子S选取海拔（S1）、地形的坡度（S2）、河网的密度（S3）、洼地面积（S4）；承灾体V的易损性选取西宁地区人口数（V1）、耕地面积（V2）和GDP（V3）；致灾因子H的危险性选取西宁地区汛期期间（5～10月）的汛期总降水量（H1）、小时降水≧5 mm次数（H2）、小时降水≧10 mm次数（H3）、日降水≧10 mm次数（H4）、日降水≧25 mm次数（H5）、暴雨灾害次数（H5）。

图2 西宁地区暴雨灾害风险评价指标体系Fig.2 Index system of rainstorm disaster risk assessment in Xining

2.2.1 孕灾环境

评价指标孕灾环境的敏感性选取海拔（S1）、坡度（S2）、河网密度（S3）和洼地面积（S4）来表示，包含下垫面的基本影响环境。

2.2.2 承灾体

分析灾情数据，暴雨灾害损失基本围绕着人的生活、生产与经济。西宁地区是人口、经济、农业种植的聚集区，暴雨灾害对其造成的影响相比其他地区更为明显，因此考虑人口数、农业耕地、经济作为暴雨灾害易损性因子，选取西宁地区人口数（V1）、耕地面积（V2）和GDP（V3）来评估。

2.2.3 致灾因子

评价指标致灾因子的危险性H选取西宁地区2016－2020年汛期期间的汛期总降水量（H1）、小时降水≧5 mm次数（H2）、小时降水≧10 mm次数（H3）、日降水≧10 mm次数（H4）、日降水≧25 mm次数（H5）以及1984－2016年间的暴雨灾害次数（H5）作为危险性指标。西宁地区汛期降水时间集中在5～10月，由于青海地理生态环境的特殊性，很多暴雨灾害的发生并不是一定要达到暴雨级别以上才致灾，因此需考虑短时降水带来的影响，选取小时降水强度作为灾害评估因子［15］。

2.2.4 数据标准化

不同数据之间量纲不一致，为消除量纲影响，对数据进行标准化处理。采用极差变换法对正负方向指标数据进行标准化，其中正向指标是越大越明显，负向指标则相反，各因子指标正负向由表1所示，正向指标由式（5）计算得到，负向指标由式（6）计算得到，

表1 各指标方向Table 1 Direction of each index

2.3 确定指标权重

2.3.1 层次分析法

主观评价方法用层次分析法（Anaiytic Hierarchy Process，AHP）构建模型确定指标主观权重。AHP法优点是利用较少的定量信息把决策思维数学化，形成定量与定性相结合的多准则决策方法［16，21－22］。具体步骤如表2所示，首先建立递阶层次结构，构造包含3层结构，然后根据1～9标度方法（表3）构造两两判断矩阵，计算各指标主观权重，最后并对其进行一致性进行检验（表4），看判断矩阵是否合理。

表2 层次分析法确定主观权重步骤Table 2 Determination of subjective weight by analytic hierarchy process

表3 常用1～9标度方法Table 3 Common 1～9 scaling methods

表4 平均随机性一致性指标RITable 4 Average randomness consistency index R I

2.3.2 熵权法

客观评价方法用熵权法对各指标进行客观赋权。在信息论中，用熵来对不确定性进行度量，而风险本质表现出的也是不确定性，即熵的本质［23］。一般因子熵值越小，表明其变异程度越大，在综合评价中的作用也越大，对应权重也越大，反之相反，因此通过引入熵权法来避免主观因素对评价权重的影响［1，24］。熵权法计算权重，对m个研究指标，指标研究区的像元数为n，首先构建指标矩阵Yij，然后计算指标特征比值Pij，见式（7）：

然后根据标特征比值Pij和像元数n计算第j个指标的信息熵Ej，当标特征比值Pij=0时，令Pi jlnPij=0，计算得出指标的信息熵，见式（8）：

根据指标信息熵计算出对应的权重值Wj，其中0≦W j≦1，计算公式见式（9）：

最后根据每个指标的熵权重计算出综合风险指数，见式（10）：

2.3.3 组合权重

综合主观权重WAHP与客观权重W熵权法影响，运用线性组合法计算组合权重WAHP－熵权法［1］。为去除较大数据干扰影响，引入距离函数，计算出权重分配系数α与β，得出组合权重，最后得出3种方法计算出的各影响因子的权重，如表5所示。

表5 暴雨灾害风险指标权重Table 5 Index weight of rainstorm disaster risk

引入主观权重与客观权重的距离函数公式（11）：

其中，WAHP代表层次分析法的指标权重，代表W熵权法熵权法的指标权重，确定组合权重的表达式见式（12）：

式中，α与β分别表示权重分配系数，同时α＋β=1，构造方程组见式（13）：

计算出α与β，代入式（12）算出各指标组合权重WAHP－熵权法。

3 结果分析

3.1 敏感性指标体系

暴雨灾害孕灾背景环境的敏感性主要考虑地形海拔（图3（a））、地形坡度（图3（b））、河网密度（图3（c））和洼地（图3（d））因素。

图3 西宁地区敏感性指标体系空间分布Fig.3 Spatial distribution of sensitivity index system in Xining Area

利用西宁高程DE M数据，运用ArcGIS软件分别计算得出相应的1 km×1 km分辨率的栅格数据，并对其进行归一化处理，根据权重，利用栅格计算工具计算敏感性指数，如图3（a）所示。起伏的山地河谷气候引导、抬升或阻隔降水，西宁地区海拔西高东低，西部为山区，东部是河谷地带。地形坡度越大，降水径流越大，冲刷土壤，易造成水土流失，影响下垫面稳定性。河网密度表示地区河流密集程度，密度大的地区土壤渗透率差，降水量相对丰沛，间接显示下垫面气候状态，当上游有较强或连续降水时，会导致下游河流各支流水位上涨，增加洪涝致灾风险。洼地地形相对低于周围地面，是降水与径流的汇聚区，易产生积水或洪涝，尤其沿河洼地和河口洼地是暴雨灾害最严重的的区域，强降水下极易导致洪涝灾害［25］。

3.2 易损性指标体系

承灾体的易损性考虑人口数（图4（a））、耕地面积（图4（b））和GDP（图4（c）），根据2015年土地利用数据、西宁统计年鉴分别汇总出西宁地区的耕地分布，人口数和GDP值，通过ArcGIS软件分别计算统一分辨率为1 km×1 km的栅格数据，并对其栅格数据进行归一化处理，根据各指标权重，利用ArcGIS软件栅格计算工具获得易损性指数。人口数与地区经济水平成正比，人口数的分布体现了城市与农村的差别，在人口密集区暴雨灾害带来的影响和损失较为严重，因此考虑人口数与GDP值为易损性指标。灾情统计中暴雨灾害80%以上受灾均有农业，大部均是露天耕地，直接受天气影响，因此选择耕地面积做为易损性指标。

图4 西宁地区易损性指标体系空间分布Fig.4 Spatial distribution of vulnerability index system in Xining Area

3.3 危险性指标体系

致灾因子危险性主要考虑西宁地区2016－2020年5～10月汛期期间的汛期总降水量（图5（a））、小时降水≧5 mm次数（图5（c））、小时降水≧10 mm次数（图5（d））、日降水≧10 mm次数（图5（e））、日降水≧25 mm次数（图5（f））以及1984－2026年间暴雨灾害次数（图5（b））。利用ArcGIS进行空间插值得出1 km×1 km栅格数据，进行归一化处理，再根据各指标权重，利用栅格工具计算危险性指数。

统计西宁地区2016－2020年5～10月汛期降水数据与1984－2016年历史暴雨灾情数据，汛期平均总降水量在293～590 mm之间（如图5（a）所示），其中有16个乡镇汛期平均总降水量超过500 mm，分别是大通县的宝库、东峡、极乐、向化、青山、青林、斜沟、良教、桥头9个乡镇，湟源县大华镇，湟中区的上新庄、上五庄、群加、大才、汉东和土门6个乡镇。1984－2016年间历史暴雨灾害次数（如图5（b）所示）集中乡镇分别是大通宝库乡，湟源巴燕乡和日月藏族乡，湟中多巴镇和拦隆口镇以及城北区朝阳街道。汛期期间小时降水量≧5 mm次数（如图5（c）所示），年均次数≧12次的乡镇多集中在大通县及湟中部分乡镇，分别位于大通的桥头、极乐、东峡、宝库、良教、向化、斜沟、桦林、塔尔、新庄、城关和石山12个乡镇和湟中的群加藏族乡和土门关乡，其中最多出现在大通桥头镇，年均出现18次。汛期期间小时降水量≧10 mm次数（如图5（d）所示）最大出现在大通桥头镇，其次是大通东峡镇和极乐乡。日降水量≧10 mm年均次数（如图5（e）所示）≧20次乡镇有湟中上新庄镇、上五庄镇和群加藏族乡，大通宝库乡和东峡镇。日降水量≧25 mm次数（如图5（f）所示）最大出现在大通宝库乡，年均出现4次以上，大通东峡镇、桥头镇及湟中大才回族乡、上新庄镇、上五庄镇和群加藏族乡年均出现3次以上。

图5 西宁地区危险性指标体系空间分布Fig.5 Spatial distribution of risk index system in Xining Area

3.4 暴雨灾害风险评估

将暴雨风险因子指标的空间分布（图3～图5）、敏感性指数（图6（a））、易损性指数（图6（b））和危险性指数（图6（c））的空间分布与其对应权重（表5），根据风险评估模型计算出暴雨灾害风险指数。通过ArcGIS自然间断点分级法（Jenks）将暴雨灾害风险的空间分布划分为（低、较低、中等、较高、高）5个等级进行显示（如图7），利用层次分析法、熵权法以及AHP－熵权法组合法获得的风险分布图。

3.4.1 各指标层风险评估

如图6（a）所示，西宁市区敏感性指数高于其他区县，其中最大位于城北区，最低位于湟源县。敏感性指数最大前12位乡镇分别位于大通宝库乡、城东互助中路社区、城中饮马街街道、湟中田家寨镇、城东林家崖社区、大通长宁镇、湟中多巴镇、城东周家泉社区、湟中甘河工业园、城西胜利路街道、城北大堡子镇、城中南川工业园，其中最大位于大通宝库乡；如图6（b）所示，西宁区县平均易损性指数最高位于湟中区，其次是湟源县和大通县，西宁市区除城北区较高，其他地区平均易损性指数都较低。易损性指数最大前12位乡镇分别位于湟中的多巴、田家寨、上五庄、拦隆口、上新庄、李家山、西堡、海子沟和鲁沙尔9个乡镇，城中总寨镇，大通长宁镇和宝库乡，其中最大位于湟中多巴镇；如图6（c）所示，区县平均危险性指数排位分别是大通县＞湟中区＞湟源县＞城北区＞城东区，其中危险性指数最大前12位乡镇分别位于大通的宝库乡、桥头镇、东峡镇、极乐乡、向化藏族乡、桦林乡和塔尔镇，湟中的上五庄镇、上新庄镇、群加藏族乡和大才回族乡，城北区马坊街道，其中危险性指数最大位于大通宝库乡。

图6 西宁地区指标层风险评估Fig.6 Risk assessment of index layer in Xining Area

3.4.2 层次分析法、熵权法与AHP－熵权组合法风险评估

利用层次分析AHP法计算风险分布，利用ArcGIS区域分析计算出各乡镇区域不同等级风险的面积，从西宁地区各区县及各乡镇风险占比来看（图7（a），表6～7），西宁地区5区2县中，暴雨灾害高风险占比最大的是西宁城北区，占31.4%，其次是湟源县、大通县和湟中区，分别占比27.6%、26.1%和22.8%。较高以上风险的面积占比超过50%的乡镇主要集中在城北的马坊街道、生物科技产业园、大堡子镇和廿里铺镇；湟源县的波航、城关和申中3个乡镇；大通县的景阳、桥头、黄家寨、石山、多林、新庄、塔尔、良教、朔北和长宁9个乡镇；湟中区的甘河工业园、西堡、甘河滩、多巴、海子沟和拦隆口6个乡镇。

图7 西宁地区层次分析法、熵权法与AHP-熵权组合法风险评估Fig.7 Risk assessment of AHP，entropy weight and combination method in Xining Area

利用熵权法计算暴雨灾害风险分布（图7（b），表6～7），高风险占比最大依旧是西宁城北区，占比面积达49.0%，高于AHP法，依次是湟源、大通和湟中，分别面积占比21.8%、19.8%和17.1%。较高以上风险的面积占比超过50%的乡镇主要集中在城北区的朝阳街道、马坊街道、小桥大街、生物科技产业园、大堡子镇和廿里铺镇；湟源县的城关镇、申中乡；大通县的景阳、桥头、黄家寨、石山、多林、新庄、塔尔、朔北和长宁8个乡镇；湟中区的甘河工业园、西堡、甘河滩、多巴、海子沟和拦隆口6个乡镇。

表6 西宁地区各区县暴雨灾害风险等级比例Table 6 The proportion of rainstorm disaster risk grade in Xining Area

利用AHP-熵权组合法获得风险分布（图7（c），表6～表7），暴雨灾害高风险最大占比区与前两者方法得出一致在西宁城北区，面积占比介于两者之间（37.0%），其次是湟中地区（21.5%）、大通县（19.1%）和湟源县（17.0%）。较高以上风险的面积占比超过50%的乡镇主要集中区域在城北区的马坊街道、生物科技产业园、大堡子和廿里铺镇；湟中区的汉东、甘河工业园、西堡、甘河滩、多巴、海子沟和拦隆口7个乡镇；大通县的景阳、桥头、黄家寨、石山、多林、新庄、塔尔、朔北和长宁9个乡镇；湟源县的波航、申中和城关3个乡镇。

表7 西宁地区高与较高风险总占比≧50%的乡镇Table 7 Villages and towns with high and sub high risk accounting for more than 50%in Xining area

3.4.3 熵权法、AHP法与AHP-熵权组合法风险评估比较

利用ArcGIS区域分析对风险评估的栅格数据进行面积制表计算出各乡镇区域不同等级风险的面积，并计算各区县及乡镇风险面积占比，对3种评估方法计算出的各乡镇较高以上风险面积占比进行两两比较，得出其风险分布的差异。

熵权法相比AHP法，大通县的向化、景阳、桥头、宝库、朔北5个乡镇较高以上风险面积占比偏高0.4%～34%，尤其宝库乡偏高34%，桥头镇偏高15.2%，其余地区则偏低0.2%～8.1%；湟源县除城关镇、寺寨乡、巴燕乡偏高0.24%～4.9%，其余地区均偏低0.2%～4.4%；湟中区除共和、鲁沙尔、大才、上五庄4乡镇偏高0.3%～11.8%，尤其上五庄镇偏高11.8%，其余地区均偏低0.1%～12.9%；其中田家寨镇、甘河工业园、西堡镇、甘河滩镇、海子沟乡偏低7%以上，尤其甘河滩镇偏低12.9%；西宁城北区除生物科技产业园偏低4.1%，其余地区均偏高0.3%～32.3%，尤其朝阳街道、小桥大街、马坊街道偏高28%以上；城西区均呈偏高，城东区除东关社区和韵家口镇分别偏低30.5%和8.6%，其余地区均持平；城中区南川工业园、总寨镇、南川东路街道偏低3.9%～7.2%，其余地区均偏高。

AHP-熵权组合法相比AHP法，大通县的景阳、桥头、宝库、多林和长宁5个乡镇偏高0.85%～21.4%，其中宝库乡偏高21.4%，其余地区则持平或偏低0.4%～7.5%；湟源县除波航乡和寺寨乡略偏低，其余地区均偏高，尤其城关镇偏高4%；湟中区除西堡镇偏高4.2%，其余地区占比面积差别不明显；西宁城北区除生物科技产业园持平，马坊街道持平略偏低0.1%，其余地区均偏高1%～5.9%，其中廿里铺镇偏高5.9%；城东区韵家口镇偏低6.1%，东关社区、乐家湾镇分别偏高10.7%和1.7%，其余地区均持平；城西区的虎台街道和彭家寨镇偏高7.1%和3.5%，其余地区均持平；城中区除南川西路街道偏低9.6%，仓门街、人民街、饮马街和礼让街持平，其余地区偏高1.4%～40%，尤其南滩街道偏高40%，南川东路街道偏高11.7%。

3.5 结果验证

通过分析2016－2020年5年间西宁地区历史暴雨灾害事件（如图8（a），表8）得出，大通县在2018年、2019年和2020年发生暴雨灾害，均发生在8月中下旬，经济损失在656～2 272万元之间，均伴有农作物受灾损失，3年间高与较高风险面积占比≧50%的乡镇受灾达90%，乡镇受灾中桥头、塔尔、良教3乡镇连续3年发生降水灾情，黄家寨和新庄镇发生了2次；湟源县暴雨灾害2016年发生了2次，2020年发生了1次，均发生在8月中下旬，经济损失在2 542～8 740万元之间，均伴有农作物受灾损失，3年间高与较高风险面积占比≧50%的乡镇受灾达100%，乡镇受灾中波和平、日月、波航、城关、大华5乡镇发生了3次；湟中区在2018－2020连续3年发生了9次暴雨灾害，7、8、10月有发生，其中8月发生最多，经济损失2～1 152万元之间，高与较高风险面积占比≧50%的乡镇受灾达100%，乡镇受灾中田家寨、鲁沙尔、多巴、海子沟4乡镇每年都发生降水灾情，其中田家寨镇和海子沟乡每年甚至发生多次降水灾害；西宁市区2016和2018年只有城北区发生了2次暴雨灾害，分别发生在7、8月，经济损失为30和518万元，城北区高与较高风险面积占比≧50%的乡镇街道受灾比为50%，分别是马坊、大堡子和廿里铺，其中大堡子镇发生了2次。

图8 2016-2020年西宁地区暴雨灾害事件Fig.8 Rainstorm disaster events in Xining from 2016 to 2020

表8 2016-2020年间西宁地区暴雨灾情Table 8 Rainstorm disaster in Xining area from 2016 to 2020

大通、湟源、湟中高频受灾乡镇与高与较高风险面积占比≧50%乡镇有较好对应，西宁市区城北区有对应，其他区在2016－2020年间无灾情发生，这也许与城市应急防灾减灾能力有关，从而减少了暴雨灾害发生。在考虑较高以上风险面积占比之外，还需注意局部小范围的高风险点（表9所示），如大通宝库乡虽然在2016－2020年间受灾1次，但在大通历史上暴雨受灾次数最多，其暴雨风险值均是最高的；湟源县各乡镇平均暴雨风险指数相比其他区县值较低，但暴雨灾害发生整体频率与集中程度均高于其他区县（图8（a）），2016－2020年间各乡镇暴雨受灾次数甚至赶超1984－2016年间受灾次数，这其中也有灾情记录方式改进的因素。其中日月乡洼地面积在西宁地区各乡镇排第七，河网密度排第二。湟源各乡镇平均地形坡度在［16，23］之间，为陡坡，其中大华镇和东峡乡的平均地形坡度为＞20°，在短时强降水下易受到水流汇集侵蚀；湟中区的田家寨镇虽然较高以上风险面积占比并不最高，AHP法占比35.7%，熵权法占比26.4%，AHP-熵权组合法占比35.7%，然而田家寨镇的暴雨灾害风险指数较高（如图8（b）），AHP法风险指数区间［0.14，0.59］中田家寨镇暴雨灾害风险指数为0.49；熵权法风险指数区间［0.1，0.5］中田家寨镇风险指数为0.35；AHP-熵权组合法风险指数区间［0.1，0.5］中田家寨风险指数为0.35。田家寨镇5年间暴雨灾害发生了7次，与暴雨灾害风险指数相匹配，尤其易损性指数在乡镇排行第二高，易损性指数区间［0，0.77］中田家寨镇高达0.69，敏感性指数乡镇排行第四高，在［0.1，0.55］区间达0.42（如图8（c））；西宁市区廿里铺镇各平均指数在［0.21，0.26］之间，不算大，但该地区洼地面积相对整个市区排第四，约为5万m2，最大是城北大堡子镇大致为9万m2，因此该地在排水功能不畅情况下，强降水易引发积水。

表9 西宁地区暴雨相关风险指数较大乡镇Table 9 Villages and towns with large rainstorm related risk index in Xining Area

4 讨论

目前风险评估方法有基于历史数据的数理统计；指标评价方法如模糊综合评价、主成分分析、灰色关联、综合加权、层次分析法，同时这些方法结合数理、水文模型、GIS技术和遥感卫星数据进行评估；还有根据历史数据、情境数据模拟未来风险评估。本研究依据现有精度数据结合历史数据、气象、环境、社会因子采用主观赋权的层次分析法结合客观信息定量分析赋权的熵权法来评估各因子影响下的暴雨灾害风险，在参考人为主观经验的同时，考虑客观环境数据被忽略的潜在影响。由于在气候变化背景下，气象环境因素的不稳定性加强，如何适应越来越非常规的环境变化，因此选取结合信息熵评价方法进行综合评估与对比，利用地理信息空间分析绘制风险分布图。

先前关于青海暴雨灾害研究，李万志等［16］用AHP法得出县级暴雨洪涝灾害风险区划与本文得出的区县结果大体符合。马伟东等［15］分析得出青藏高原极端降水阈值范围在7.8～51.9 mm之间，均值为23 mm。由于高原环境的脆弱性，即便达不到中到大雨，小时较强的降水也会引发灾害，因此考虑降水因子时，不仅要考虑日降水量，还需考虑小时降水量。

由于降水引发灾害是一个复杂系统，对灾害评估需考虑相应的地形、土地利用、社会经济、设施、气象、灾害等数据做支撑，本文土地利用只选取耕地信息做灾害评估，没有考虑植被覆盖、土地类型等因素，社会经济方面没有考虑对交通、电力、建筑等设施影响，如评估需根据实际需求对影响因子进行增减选取，做有针对性的灾害风险评估。

今后研究暴雨灾害风险评估可结合运用水文模型或洪水模型构建降水影响，也可根据情景环境模拟重现不同时间的灾害影响。更为精确的风险评估需要更为精细的数据做支撑，因此今后研究中需结合遥感卫星等多元数据进行风险评估。

5 结论

本研究用层次分析法与熵权法对西宁地区5区2县的暴雨灾害进行风险评估，结论如下：

（1）降水灾害风险市区敏感性高于区县，城北区最敏感，乡镇最敏感区位于大通宝库乡。湟中区易损性指数最高，乡镇最大位于多巴镇。大通县危险性指数最高，乡镇最大位于宝库乡。暴雨灾害高风险面积占比最大位于城北区，其次是湟源县、大通县和湟中区，乡镇高风险区主要位于大通的宝库、长宁和桥头3乡镇，湟中的田家寨、上新庄、多巴、上五庄、海子沟、拦隆口和李家山7乡镇，城北区的马坊街道和大堡子镇，综合风险指数最大位于大通宝库乡。

（2）3种方法风险结果比较，熵权法更能突出局部乡镇的较高以上风险评估，如突出了大通县宝库乡与桥头镇、湟中区上五庄镇、城北区大部地区的较高以上风险。组合法则平衡了熵权法与AHP法的共同影响，既考虑了主观经验，也考虑数据的客观影响。

（3）利用降水灾情数据进行检验，得出熵权法、AHP法和组合法对暴雨灾害评估均具有一定可靠性，同时发现风险评估中，较高以上风险面积占比大于50%的乡镇与实际灾情具有较好对应，敏感性和易损性指数与实际局地灾情的发生具有较好的对应关系。同时熵权法、AHP-熵权组合法可以根据后期数据的更新积累其权重也可以不断地动态更新订正，因此更能适用于不断变化的气候环境背景。